諶蓓，夏立婭，竇玉蕾，馬澤洋，熊娜

（1.東方匯理銀行（中國）有限公司北京分行，北京 100020；2.河北大學化學與環(huán)境科學學院，河北保定 071002；3.河北大學質(zhì)量技術(shù)監(jiān)督學院，河北保定 071002）

地理標志產(chǎn)品是指產(chǎn)自特定地域，所具有的質(zhì)量、聲譽或其他特性本質(zhì)上取決于該產(chǎn)地的自然因素和人文因素，經(jīng)審核批準以地理名稱進行命名的產(chǎn)品.目前中國已經(jīng)對近千個地理標志產(chǎn)品實施了專門保護，產(chǎn)地范圍涵蓋全國30個省、自治區(qū)、直轄市.地理標志產(chǎn)品的品質(zhì)和特征體現(xiàn)了其原產(chǎn)地的自然因素和人文因素，具有良好的口碑和知名度，贏得了消費者的認可，其價格也遠高于市場中同類普通產(chǎn)品.在經(jīng)濟利益的驅(qū)動下，假冒偽劣的地理標志產(chǎn)品廣泛存在于市場中.甚至一些像響水大米、涪陵榨菜、武昌魚等知名地理標志產(chǎn)品，因沒有得到有效的保護，地理標志被濫用，導致正宗產(chǎn)品被假冒偽劣產(chǎn)品屢屢圍攻.消費者和正規(guī)企業(yè)的合法權(quán)益被侵犯，嚴重敗壞了地理標志產(chǎn)品的信譽.為整頓市場秩序，迫切需要發(fā)展地理標志產(chǎn)品的有效鑒別技術(shù)和方法.

目前，地理標志產(chǎn)品的鑒別方法主要集中于穩(wěn)定性同位素、礦物元素指紋、有機組分特征含量、近紅外光譜等方面［1－9］.其中近紅外光譜由于其快速、無損、成本低廉等特點受到廣泛關(guān)注.由于不同產(chǎn)地食品中化學成分差異較小，各成分間存在很強的協(xié)同效應，利用多元統(tǒng)計學方法對數(shù)據(jù)進行分析成為有效的技術(shù)手段.本課題組分別利用無監(jiān)督模式的聚類分析法和監(jiān)督模式的判別分析方法建立了地理標志產(chǎn)品響水大米的近紅外光譜鑒別方法，結(jié)果表明監(jiān)督模式的分析方法在產(chǎn)地鑒別中準確性更高［10］.本文擬在此基礎上，對比另外2種同屬于監(jiān)督模式分析方法的多元線性回歸和BP人工神經(jīng)網(wǎng)絡算法在產(chǎn)地鑒別中的應用效果.

1 材料與方法

1.1 材料

從響水大米的主產(chǎn)地共采集119個響水大米樣本，從天津、湖南等大米主產(chǎn)區(qū)采集對比樣本90個，所有樣本均為粳米.

1.2 儀器

采用德國BRUKER公司MPA型傅里葉近紅外光譜儀，OPUS光譜采集軟件.

1.3 樣品制備及光譜掃描

將大米樣品在30℃干燥48h后，采用四分法取50g置于旋轉(zhuǎn)非透射樣品杯中，在室溫25℃，空氣濕度50%的條件下掃描近紅外吸收光譜.掃描波數(shù)為4 000～10 000cm－1，分辨率為8cm－1.每個樣本掃描32次，以其平均光譜作為最終的透射光譜.采用儀器自帶的OPUS光譜分析軟件對原始光譜進行一階導數(shù)及平滑處理.

1.4 數(shù)據(jù)處理

利用SPSS19.0軟件進行主成分和多元線性回歸判別分析，利用Matlab7.0進行BP人工神經(jīng)網(wǎng)絡分析.

2 結(jié)果與分析

2.1 大米近紅外光譜及主成分分析

從不同產(chǎn)地大米近紅外光譜圖（圖1）可見，不同的大米樣本近紅外光譜圖稍有差異，但總體上比較相近，難以通過肉眼識別.對原始光譜進行一階求導后，不同產(chǎn)地大米的近紅外光譜差異稍加顯著，可以更加細致地反映樣品的光譜特征.

由于樣本的光譜數(shù)據(jù)龐大，數(shù)據(jù)間存在一定關(guān)聯(lián)性，不利于多元統(tǒng)計學分析，因此采用主成分分析對數(shù)據(jù)進行降維處理.由于PCA分析的前3個主成分已包含了絕大部分的分類信息，因此，可根據(jù)前3個主成分的載荷值分析大米產(chǎn)地分類的特征波段.不同產(chǎn)地大米的光譜進行PCA分析后，以波譜區(qū)域?qū)C1的貢獻值為主要參考指標，并綜合考慮對PC2與PC3的貢獻值，得出7 700～6 700cm－1與5 700～4 300cm－12個波段為大米產(chǎn)地鑒別的特征波段.

對不同產(chǎn)地大米的全光譜與特征光譜分別進行PCA分析，前22個主成分的累積可信度如圖2所示.全波段方法前22個主成分的累積可信度在97.11%以上，特征波段前22個主成分的累積可信度在98.43%，包含了光譜數(shù)據(jù)絕大部分的特征信息，因此可以選用主成分得分進行后續(xù)的多元統(tǒng)計學分析.

圖2 全波段和特征波段前22個主成分累積可信度Fig.2 Accumulative reliabilities plot of the top 22principal components of whole wave band and characteristic wave band

2.2 多元線性回歸判別分析

多元線性回歸（MLR）研究一個因變量和多個自變量之間數(shù)量上相互依存的線性關(guān)系.在該部分分析中，響水大米的產(chǎn)地變量值為1，非響水大米的產(chǎn)地變量值為2，所有樣本的主成分數(shù)據(jù)導入SPSS軟件中，作為自變量的數(shù)據(jù)采用逐步進入的方式，自變量的選擇依據(jù)是F值小于0.05進入，大于0.10將被棄去.逐步分析終止的時候，篩選了10個變量（表1）.利用這些變量建立的多元線性方程計算大米樣本的產(chǎn)地，判斷依據(jù)是：數(shù)值大于1.5為非響水大米，小于1.5為響水大米.分析結(jié)果（圖3）可知，響水大米樣本的預測結(jié)果為0.960～1.188，非響水大米的預測結(jié)果為1.834～2.116，產(chǎn)地判別正確率為100%，標準殘差為0.539.其中主成分1、主成分2、主成分3和主成分6對于回歸方程的影響最大（圖4），進一步說明主成分分析后，前3個主成分保留了更多的原有數(shù)據(jù)的信息，對后續(xù)多元統(tǒng)計學分析的影響較大.

表1 DMLR分析判別函數(shù)系數(shù)Tab.1 Standardized canonical discriminant function coefficients of stepwise DLMR

圖3 多元判別大米產(chǎn)地結(jié)果Fig.3 Standardized predicted geographical origin of rice by stepwise DMLR

圖4 主成分與預測結(jié)果的相關(guān)性Fig.4 Correlation diagram of principal components and predictions

2.3 BP－人工神經(jīng)網(wǎng)絡分析

若把全部光譜數(shù)據(jù)作為BP人工神經(jīng)網(wǎng)絡的輸入，不僅加大了計算量，而且某些區(qū)域的光譜信息與樣品的組成或性質(zhì)缺乏一定的相關(guān)性.在本文分析中，將提取的前9個獨立主成分作為BP神經(jīng)網(wǎng)絡的輸入，建立人工神經(jīng)網(wǎng)絡結(jié)構(gòu).使用1和2的分別代表響水大米樣品和非響水大米樣品.隱層傳遞函數(shù)設為logsig，輸出層傳遞函數(shù)設為線性函數(shù).輸入層、隱含層和輸出層節(jié)點分別為9，10和1個.目標方差為2.0×e－3，最大訓練次數(shù)為20 000次.對于每一類樣本，均采用一半作為網(wǎng)絡訓練，另一半作為測試.通過網(wǎng)絡訓練，網(wǎng)絡達到要求，網(wǎng)絡誤差收斂曲線較為理想（圖5）.測試結(jié)果表明：分類的正確率能保持在100%.

3 結(jié)論

比較分析結(jié)果表明，對于響水大米和非響水大米的分類，多元線性回歸判別和BP人工神經(jīng)網(wǎng)絡算法都能達到100%正確.也說明了同屬于有監(jiān)督模式的多元線性回歸判別和BP人工神經(jīng)網(wǎng)絡算法都適用于地理標志產(chǎn)品的鑒別分析，由于多元線性回歸判別算法簡單，易于實現(xiàn)，更具有推廣性.該方法將為響水大米地理標志產(chǎn)品及相關(guān)產(chǎn)品的保護提供技術(shù)支撐.

圖5 Sigmoid函數(shù)誤差迭代收斂曲線Fig.5 Sigmoid function error iteration convergence curve

［1] KELLY S，BAXTER M，CHAPMAN S.The Application of isotopic and elemental analysis to determine the geographical origin of premium long grain rice［J］.Eur Food Res Techno l，2002，214（1）：72－78.

［2] KAWASAKI A，ODA H，HIRATA T.Determination of strontium isotope ratio of brown rice for estimating its provenance［J］.Jap Soc SoilSci Plant Nutri，2002，48（5）：635－640.

［3] MONTALVAN R，ANDO A，ECHEVERRIGARAY S.Use of seed protein polymorphism for discrimination of improvement level and geographic origin of upland rice cultivars［J］.Genetics and Molecular Biology，1998，21：531－535.

［4] RHYU M R，KIM E Y，KIM S S，et al.Regional differences of four major rice cultivars in Korea by capillary electrophoresis［J］.Food Science ＆Biotechnology，2001，10（3）：299－304.

［5] CASALE M，CASOLINO C，OLIVERI P，et al.The potential of coupling information using three analytical techniques for identifying the geographical origin of Liguria extra virgin olive oil［J］.Food Chemistry，2010，118：163－170.

［6] WOODCOCK T，DOWNEY G，O'DONNELLl C P.Near infrared spectral fingerprinting for confirmation of claimed PDO provenance of honey［J］.Food Chemistry，2009，114：742－746.

［7] 李勇，魏益民，潘家榮，等.基于FTIR指紋光譜的牛肉產(chǎn)地溯源技術(shù)研究［J］.光譜學與光譜分析，2009，29（3）：647－651 LI Yong，WEI Yimin，PAN Jiarong，et al.Determination of geographical origin of beef based on FTIR spectroscopy analysis［J］.Spectroscopy and Spectral Analysis，2009，29（3）：647－651.

［8] YU Haiyan，ZHOU Ying，F(xiàn)U Xiaping，et al.Discrimination between Chinese rice wines of different geographical origins by NIRS and AAS［J］.European Food Research and Technology，2007，225：313－320.

［9] 陳永明，林萍，何勇.基于遺傳算法的近紅外光譜橄欖油產(chǎn)地鑒別方法研究［J］.光譜學與光譜分析，2009，29（3）：671－674.CHEN Yongming，LIN Ping，HE Yong.Study on discrimination of producing area of olive oil using near infrared spectra based on genetic algorithms［J］.Spectroscopy and Spectral Analysis，2009，29（3）：671－674.

［10] 夏立婭，申世剛，劉崢顥，等.基于近紅外光譜和模式識別技術(shù)鑒別大米產(chǎn)地的研究［J］.光譜學與光譜分析，2013，33（1）：102－105.XIA Liya，SHEN Shigang，LIU Zhenhao，et al.Identification of geographical origins of rice with pattern recognition technique by near infrared spectroscopy［J］.Spectroscopy and Spectral Analysis，2013，33（1）：102－105.